The human insights missing from big data | Tricia Wang

Fordító: Ádám Kósa Lektor: Péter Pallós

In ancient Greece,

Az ókori görögök,

when anyone from slaves to soldiers, poets and politicians,

rabszolgáktól a katonákig, költőktől a politikusokig,

needed to make a big decision on life's most important questions,

az élet olyan mindent eldöntő kérdéseinél,

like, "Should I get married?"

mint pl. "Házasodjak meg?",

or "Should we embark on this voyage?"

"Szálljak-e ma tengerre?",

or "Should our army advance into this territory?"

"Seregünk nyomuljon tovább ezen a területen?",

they all consulted the oracle.

az orákulum tanácsát kérték ki.

So this is how it worked:

Mindez így működött:

you would bring her a question and you would get on your knees,

Előálltak kérdésükkel, letérdepeltek,

and then she would go into this trance.

aztán a jósnő transzba esett.

It would take a couple of days,

Eltartott pár napig,

and then eventually she would come out of it,

de aztán végül visszatért,

giving you her predictions as your answer.

és jóslatában válaszolt a kérdésükre.

From the oracle bones of ancient China

Az ókori kínai jóslócsontoktól

to ancient Greece to Mayan calendars,

a görögökig és a maja naptárakig

people have craved for prophecy

az emberek remegve várták a jóslatokat,

in order to find out what's going to happen next.

hogy rájöjjenek, mi fog velük történni.

And that's because we all want to make the right decision.

Hiszen mindannyian a helyes döntést akarjuk meghozni.

We don't want to miss something.

A teljes képet akarjuk.

The future is scary,

A jövő ijesztő.

so it's much nicer knowing that we can make a decision

Sokkal jobb, ha döntéseink kimeneteléről

with some assurance of the outcome.

bizonyos megerősítéssel rendelkezünk.

Well, we have a new oracle,

Orákulumunk megújult.

and it's name is big data,

Big data lett a neve,

or we call it "Watson" or "deep learning" or "neural net."

de hívhatjuk Watsonnak, mélytanulásnak vagy neurális hálónak.

And these are the kinds of questions we ask of our oracle now,

Ma ilyeneket szoktunk kérdezni:

like, "What's the most efficient way to ship these phones

"Hogyan juttassuk el Kínából Svédországba

leghatékonyabban ezeket a telefonokat?"

from China to Sweden?"

Or, "What are the odds

Vagy "Mennyi az esélye,

of my child being born with a genetic disorder?"

hogy gyermekem genetikai rendellenességgel fog születni?",

Or, "What are the sales volume we can predict for this product?"

"Mekkora értékesítési volumen várható erre a termékre?"

I have a dog. Her name is Elle, and she hates the rain.

Ellle kutyám nem állhatja az esőt.

And I have tried everything to untrain her.

Mindent próbáltam, hogy leszoktassam róla.

But because I have failed at this,

Mivel ez nem sikerült,

I also have to consult an oracle, called Dark Sky,

tanácsot kellett kérnem a Dark Sky nevű orákulumtól,

every time before we go on a walk,

amely mindegy egyes séta előtt

for very accurate weather predictions in the next 10 minutes.

tízpercenkénti tűpontos időjárási előrejelzéssel lát el.

She's so sweet.

Nagyon tündéri.

So because of all of this, our oracle is a $122 billion industry.

Mindebből pedig orákulumunk 122 milliárd dolláros iparága következik.

Now, despite the size of this industry,

Az iparág mérete ellenére

the returns are surprisingly low.

a hozam meglepően alacsony.

Investing in big data is easy,

A big datába befektetni könnyű,

but using it is hard.

de haszonná tenni nehéz.

Over 73 percent of big data projects aren't even profitable,

A big data projektek 73 százaléka még csak nem is nyereséges.

and I have executives coming up to me saying,

Vezetők jönnek hozzám ezzel:

"We're experiencing the same thing.

"Ugyanezt tapasztaljuk.

We invested in some big data system,

Befektettünk big data rendszerekbe,

and our employees aren't making better decisions.

de alkalmazottaink nem hoznak jobb döntéseket.

And they're certainly not coming up with more breakthrough ideas."

És semmiképp sem álltak elő eredetibb ötletekkel."

So this is all really interesting to me,

Ez felkeltette az érdeklődésemet,

because I'm a technology ethnographer.

hisz műszaki néprajzzal foglalkozom.

I study and I advise companies

Cégeket vizsgálok, és tanácsot adok abban,

hogyan használják a technológiát az emberek.

on the patterns of how people use technology,

and one of my interest areas is data.

Egyik érdeklődési köröm pedig az adat.

So why is having more data not helping us make better decisions,

Miért nem hozunk jobb döntéseket több adatból,

especially for companies who have all these resources

különösen olyan cégeknél,

ahol minden forrás megvan a big data rendszerekhez?

to invest in these big data systems?

Why isn't it getting any easier for them?

Miért nem hoz nekik könnyítést?

So, I've witnessed the struggle firsthand.

Nehézségeiket első kézből ismerem.

In 2009, I started a research position with Nokia.

2009-ben kutatói megállapodást kötöttem a Nokiával.

And at the time,

Abban az időben

Nokia was one of the largest cell phone companies in the world,

a Nokia volt a világ egyik legnagyobb mobilgyártó cége,

dominating emerging markets like China, Mexico and India --

olyan feltörekvő piacokat uralva, mint Kína, Mexikó és India –

all places where I had done a lot of research

ahol rengeteget kutattam

on how low-income people use technology.

a kis keresetűek digitális szokásait.

And I spent a lot of extra time in China

Kínában pedig jóval tovább maradtam,

getting to know the informal economy.

hogy megismerjem az informális gazdaságot.

So I did things like working as a street vendor

Például utcai árusként

selling dumplings to construction workers.

gombócot árultam építőmunkásoknak,

Or I did fieldwork,

vagy terepmunkát végeztem,

spending nights and days in internet cafés,

éjt nappallá téve internetkávézókban,

hanging out with Chinese youth, so I could understand

kínai fiatalokkal lógva, hogy megértsem,

how they were using games and mobile phones

hogyan játszanak és telefonoznak,

and using it between moving from the rural areas to the cities.

miközben vidék és város közt közlekednek.

Through all of this qualitative evidence that I was gathering,

A felhalmozott kvalitatív adatok alapján

I was starting to see so clearly

körvonalazódni kezdett előttem

that a big change was about to happen among low-income Chinese people.

a kis keresetű kínaiakat érintő kialakuló hatalmas változás.

Even though they were surrounded by advertisements for luxury products

Annak ellenére, hogy luxustermékek,

like fancy toilets -- who wouldn't want one? --

pl. mindentudó vécék – ki ne akarna egyet? –,

and apartments and cars,

lakás- és autóreklámok vették körül őket,

through my conversations with them,

beszélgetéseink során világossá vált,

I found out that the ads the actually enticed them the most

hogy az őket leginkább megmozgató reklámok

were the ones for iPhones,

az iPhone-reklámok voltak,

promising them this entry into this high-tech life.

kitárva előttük e high-tech világ kapuját.

And even when I was living with them in urban slums like this one,

Még az ilyen szegénynegyedekben velük töltött idő alatt is azt láttam,

I saw people investing over half of their monthly income

hogy havi jövedelmük több mint felét

into buying a phone,

telefonra költik,

and increasingly, they were "shanzhai,"

amelyek inkább "shanzai"-k voltak,

which are affordable knock-offs of iPhones and other brands.

olcsón kapható iPhone-utánzatok.

They're very usable.

Szépen működnek.

Does the job.

Amire kell, elég.

And after years of living with migrants and working with them

Miután pedig éveket töltöttem és dolgoztam bevándorlókkal,

and just really doing everything that they were doing,

szimplán azt csinálva, amit ők,

I started piecing all these data points together --

minden kis adatpontot lassan összeillesztettem –

from the things that seem random, like me selling dumplings,

kezdve az alkalmi dolgokkal, mint pl. gombócárulásommal,

to the things that were more obvious,

addig, amelyek kézenfekvőbbek voltak,

like tracking how much they were spending on their cell phone bills.

mint például, hogy mennyit költöttek telefonszámlájukra.

And I was able to create this much more holistic picture

Ezekből pedig képes voltam

sokkal összefüggőbb képet felállítani.

of what was happening.

And that's when I started to realize

Ekkor kezdtem rájönni,

that even the poorest in China would want a smartphone,

hogy még a legszegényebb kínaiak is okostelefonra vágynak,

and that they would do almost anything to get their hands on one.

és mindent megtennének, hogy kezükbe kaparintsanak egyet.

You have to keep in mind,

De jusson eszünkbe,

iPhones had just come out, it was 2009,

hogy az iPhone-ok 2009-ben jelentek meg,

so this was, like, eight years ago,

tehát úgy nyolc évvel ezelőtt,

and Androids had just started looking like iPhones.

és az androidok akkor kezdtek el ugyanúgy kinézni.

And a lot of very smart and realistic people said,

Többen, akik észszerűen álltak hozzá, azt mondták:

"Those smartphones -- that's just a fad.

"Csak divattelefonok – majd elmúlik.

Who wants to carry around these heavy things

Ki szeretne egy nagydarab valamit cipelni magával,

where batteries drain quickly and they break every time you drop them?"

amikor az akku könnyen lemerül, és kis koccanástól összetörik?"

But I had a lot of data,

De elég adatom volt,

and I was very confident about my insights,

az eredményeim pedig megerősítettek,

so I was very excited to share them with Nokia.

és izgatottan vártam, hogy közöljem őket a Nokiával.

But Nokia was not convinced,

Őket viszont nem győztem meg,

because it wasn't big data.

hiszen nem "big data" volt, mert szerintük:

They said, "We have millions of data points,

"A millió adatpontból semmi sem mutatja,

and we don't see any indicators of anyone wanting to buy a smartphone,

miért akarnának okostelefont venni,

and your data set of 100, as diverse as it is, is too weak

és a 100 adathalmazodból, bármennyire sokrétűek is,

for us to even take seriously."

egyik sem mutat semmit."

And I said, "Nokia, you're right.

Erre én: "Igazad van, Nokia.

Of course you wouldn't see this,

Azért nem érted,

because you're sending out surveys assuming that people don't know

mert kiküldött kérdőíveid úgy állítják be az embereket,

mint akik nem ismerik az okostelefont,

what a smartphone is,

so of course you're not going to get any data back

így a visszakapott adatok nem fogják megmondani,

about people wanting to buy a smartphone in two years.

ki akar két éven belül okostelefont venni.

Your surveys, your methods have been designed

Módszereid arra tervezték,

to optimize an existing business model,

hogy optimalizálják a már létező üzleti modellt,

and I'm looking at these emergent human dynamics

míg én a még nem látható

feltörekvő emberi dinamikára összpontosítok.

that haven't happened yet.

We're looking outside of market dynamics

A piaci dinamikán kívülre kell helyeznünk magunk,

so that we can get ahead of it."

hogy képesek legyünk elébe vágni."

Well, you know what happened to Nokia?

A Nokiával pedig ugye mi történt?

Their business fell off a cliff.

Vállalatuk a mélybe zuhant.

This -- this is the cost of missing something.

A tandíj, ha valamit nem ismerünk fel.

It was unfathomable.

Abszurd az egész.

But Nokia's not alone.

De a Nokia nincs egyedül.

I see organizations throwing out data all the time

Más társaságok is folyton kidobnak adatokat,

because it didn't come from a quant model

ha nem számszerűek,

or it doesn't fit in one.

vagy nem illenek bele olyan modellbe.

But it's not big data's fault.

Nem a big data hibája ez,

It's the way we use big data; it's our responsibility.

hanem az, ahogyan azt használjuk; ez a mi felelősségünk.

Big data's reputation for success

A big data sikere abból ered,

comes from quantifying very specific environments,

hogy képes olyan jól körülhatárolt rendszerekből,

like electricity power grids or delivery logistics or genetic code,

mint pl. villamos hálózatok, szállítási logisztika, genetikai kód,

when we're quantifying in systems that are more or less contained.

számszerű következtetéseket levonni.

But not all systems are as neatly contained.

De nem minden rendszer olyan szépen körülhatárolt.

When you're quantifying and systems are more dynamic,

Ha dinamikusabb rendszereknél számszerűsítünk,

especially systems that involve human beings,

főleg ahol az emberi tényező is szerepet játszik

forces are complex and unpredictable,

a maga bonyolultságával és kiszámíthatatlanságával,

and these are things that we don't know how to model so well.

nem igazán tudjuk, hogyan modellezzünk.

Once you predict something about human behavior,

Ha egyszer kiszámítható lenne az emberi viselkedés,

new factors emerge,

új tényezők bukkannának fel,

because conditions are constantly changing.

hiszen a körülmények folyton változnak.

That's why it's a never-ending cycle.

A kör sohasem zárulna be.

You think you know something,

Hisszük, hogy felismertünk valamit,

and then something unknown enters the picture.

aztán egy ismeretlen belép a képbe.

And that's why just relying on big data alone

Ha csak egyedül a big datában bízunk,

increases the chance that we'll miss something,

nő az esélye, hogy figyelmen kívül hagyunk valamit,

while giving us this illusion that we already know everything.

miközben a mindentudás ábrándját kelti fel bennünk.

And what makes it really hard to see this paradox

A paradoxon felismerésének nehézsége,

and even wrap our brains around it

amit még agyunkkal felfogni sem könnyű,

is that we have this thing that I call the quantification bias,

abból jön, amit én úgy hívok: "kvantifikációs csapda",

which is the unconscious belief of valuing the measurable

amely a mérhetőnek a mérhetetlen feletti

over the immeasurable.

tudattalan felértékelése.

And we often experience this at our work.

Munkánkban pedig ez gyakran jelen van.

Maybe we work alongside colleagues who are like this,

Talán ilyen kollégák mellett dolgozunk,

or even our whole entire company may be like this,

vagy lehet, a cég egésze ilyen,

where people become so fixated on that number,

ahol az elemzők annyira a számok rabjai,

that they can't see anything outside of it,

hogy azokon kívül mást se látnak,

even when you present them evidence right in front of their face.

még akkor sem, ha az orruk elé toljuk a valós eredményeket.

And this is a very appealing message,

Ez pedig nagyon kecsegtető,

because there's nothing wrong with quantifying;

hiszen a számokkal semmi baj nincs,

it's actually very satisfying.

kellemes érzéssel töltenek el.

I get a great sense of comfort from looking at an Excel spreadsheet,

Egy Excel munkafüzet nyugalommal tölt el,

even very simple ones.

akár a legegyszerűbb is.

(Laughter)

(Nevetés)

It's just kind of like,

De ez olyan, mintha:

"Yes! The formula worked. It's all OK. Everything is under control."

"Ez az! A képlet működik. Minden oké. Ura vagyok a helyzetnek!"

But the problem is

A probléma ott kezdődik,

that quantifying is addictive.

hogy a számok függővé tesznek.

And when we forget that

És ha megfeledkezünk erről,

and when we don't have something to kind of keep that in check,

ha nincs valami, ami helyrerak,

it's very easy to just throw out data

adatokat könnyűszerrel dobálunk ki,

because it can't be expressed as a numerical value.

mindazt, ami nem fejezhető ki számokkal.

It's very easy just to slip into silver-bullet thinking,

A csodarecept-hozzáállásba könnyű belesüllyedni,

as if some simple solution existed.

mintha minden olyan egyszerű lenne.

Because this is a great moment of danger for any organization,

Mivel pedig ez bármely társaságra nagy veszélyt jelenthet,

because oftentimes, the future we need to predict --

és mivel gyakorta a kiszámított jövő –

it isn't in that haystack,

nem tű a szénakazalban,

but it's that tornado that's bearing down on us

hanem a kertünk alatti,

outside of the barn.

minket fenyegető tornádó.

There is no greater risk

Nincs nagyobb kockázat,

mint hátat fordítani az ismeretlennek.

than being blind to the unknown.

It can cause you to make the wrong decisions.

A rossz döntések felé térít el.

It can cause you to miss something big.

A nagy lehetőségektől szalaszt el.

But we don't have to go down this path.

De nem kell ezt az utat választanunk.

It turns out that the oracle of ancient Greece

A végén még a görög orákulum lámpása

holds the secret key that shows us the path forward.

fog nekünk utat mutatni.

Now, recent geological research has shown

Geológusok nemrégiben felfedezték,

that the Temple of Apollo, where the most famous oracle sat,

hogy Apolló temploma, a legjelentősebb jóshely,

was actually built over two earthquake faults.

két törésvonal mentén épült.

And these faults would release these petrochemical fumes

Innen pedig földkéreg alóli

from underneath the Earth's crust,

petrolkémiai anyagok törtek fel.

and the oracle literally sat right above these faults,

Az orákulum pedig pontosan e vonalak felett ült,

inhaling enormous amounts of ethylene gas, these fissures.

a hasadékból feltörő nagy mennyiségű etiléneket lélegezve be.

(Laughter)

It's true.

(Nevetés)

Így igaz.

(Laughter)

(Nevetés)

It's all true, and that's what made her babble and hallucinate

Ettől lettek zavartak szavai, így tudott hallucinálni

and go into this trance-like state.

és transzba esni.

She was high as a kite!

Csontrészeg volt!

(Laughter)

(Nevetés)

So how did anyone --

Tehát hogy...

hogy tudott akárkit is értelmes tanáccsal ellátni

How did anyone get any useful advice out of her

in this state?

abban az állapotban?

Well, you see those people surrounding the oracle?

Látjuk az őt körülvevőket?

You see those people holding her up,

Azok, akik támogatják,

because she's, like, a little woozy?

hiszen alig bír megállni a lábán.

And you see that guy on your left-hand side

Látják a bal oldali pasast,

holding the orange notebook?

aki a narancsszínű füzetet tartja?

Well, those were the temple guides,

Ők voltak az orákulum segítői,

and they worked hand in hand with the oracle.

akik szorosan együttműködtek vele.

When inquisitors would come and get on their knees,

A letérdelő érdeklődőt ők fogadták,

that's when the temple guides would get to work,

ekkor fogtak bele a munkába,

because after they asked her questions,

hiszen miután kikérdezték,

they would observe their emotional state,

érzelmi állapotát figyelték meg,

and then they would ask them follow-up questions,

amely után keresztkérdések következtek:

"Miért van szükséged a jóslatra? Ki vagy?

like, "Why do you want to know this prophecy? Who are you?

What are you going to do with this information?"

Mire fogod használni az információt?"

And then the temple guides would take this more ethnographic,

Majd a segítők inkább

this more qualitative information,

néprajzi jellegű, minőségi értelmet

and interpret the oracle's babblings.

adtak az orákulum hablatyolásának.

So the oracle didn't stand alone,

Az orákulum tehát másokra is támaszkodott,

and neither should our big data systems.

ahogy a big data rendszereknek is kellene.

Now to be clear,

De hadd tisztázzam,

I'm not saying that big data systems are huffing ethylene gas,

nem arról van szó, hogy ezek a rendszerek etilént árasztanak,

or that they're even giving invalid predictions.

vagy hogy félrevezetnek a jövőt illetően.

The total opposite.

Pont az ellenkezője.

But what I am saying

Arról van szó,

is that in the same way that the oracle needed her temple guides,

hogy ahogy az orákulumnak kellettek, akik a templomban kalauzoltak,

our big data systems need them, too.

úgy a big data rendszereknek is kell.

They need people like ethnographers and user researchers

Szükségük van pl. néprajzosokra, felhasználó-kutatókra,

who can gather what I call thick data.

akik képesek ún. "sűrű adatot" gyűjteni.

This is precious data from humans,

Olyan értékes emberi adatokat,

like stories, emotions and interactions that cannot be quantified.

mint sztorik, érzelmek, érintkezések, amelyeket nem lehet számszerűsíteni.

It's the kind of data that I collected for Nokia

Ilyen adatokat gyűjtöttem a Nokiának,

that comes in in the form of a very small sample size,

amelyek mintamérete minimális,

but delivers incredible depth of meaning.

de elképesztően gazdag jelentéssel szolgálnak.

And what makes it so thick and meaty

Ami pedig sűrűvé és ragadóssá teszi,

is the experience of understanding the human narrative.

az a tapasztalat, hogy megértsük az emberi narratívát.

And that's what helps to see what's missing in our models.

Ez mutat rá a modellünk hiányosságaira.

Thick data grounds our business questions in human questions,

A sűrű adat üzleti kérdéseinket az emberi kérdések szintjére hozza,

and that's why integrating big and thick data

a big data és a sűrű adat együttes használatával

forms a more complete picture.

így tudjuk megalkotni a teljes képet.

Big data is able to offer insights at scale

A big data méretbeli összefüggésekre mutat rá,

and leverage the best of machine intelligence,

és a gépi intelligenciából a legjobbat hozza ki,

whereas thick data can help us rescue the context loss

a sűrű adat pedig a kontextust nem hagyja szem elől téveszteni,

that comes from making big data usable,

hiszen a big data válik használhatóvá,

and leverage the best of human intelligence.

az emberi intelligenciából a legjobbat hozva ki.

And when you actually integrate the two, that's when things get really fun,

Együtt használva pedig a kettőt, a dolgok még mókásabbak lesznek,

because then you're no longer just working with data

hiszen nem csupán

a már begyűjtött adatokkal dolgozunk,

you've already collected.

You get to also work with data that hasn't been collected.

hanem a még be nem gyűjtöttekkel is.

You get to ask questions about why:

És ilyenkor jön az, hogy miért:

Why is this happening?

Miért van így?

Now, when Netflix did this,

Amikor a Netflix így tett,

they unlocked a whole new way to transform their business.

vállalatuk gyökeres átalakításának nyitott utat.

Netflix is known for their really great recommendation algorithm,

A Netflix kiváló ajánlórendszerének fejlesztésére versenyt hirdettek,

and they had this $1 million prize for anyone who could improve it.

és a győztes egymillió dollár jutalomban részesülhetett.

And there were winners.

Voltak, akik megnyerték.

But Netflix discovered the improvements were only incremental.

Bár a Netflix szerint ezek apró finomítások voltak.

So to really find out what was going on,

Hogy jobban beleássák magukat,

they hired an ethnographer, Grant McCracken,

felvették Grant McCracken néprajzost

to gather thick data insights.

a sűrű adatok kielemzésére.

And what he discovered was something that they hadn't seen initially

Eredményeivel pedig rámutatott arra,

ami az eddigi kvantitatív elemzésekből kimaradt.

in the quantitative data.

He discovered that people loved to binge-watch.

Azaz, hogy az emberek imádják a tévémaratonokat.

In fact, people didn't even feel guilty about it.

Még csak nincs is lelkiismeret-furdalásuk.

They enjoyed it.

Élvezik őket.

(Laughter)

(Nevetés)

So Netflix was like, "Oh. This is a new insight."

A Netflix pedig: "Igen, ez új eredmény."

So they went to their data science team,

Aztán visszamentek adatelemzőikhez,

and they were able to scale this big data insight

és ők hozzá tudták ezeket rendelni

in with their quantitative data.

a big data nyújtotta adatokhoz.

And once they verified it and validated it,

Miután pedig az algoritmust hitelesítették és érvényesítették,

Netflix decided to do something very simple but impactful.

a Netflix egyszerű, de hatásos tettre szánta el magát:

They said, instead of offering the same show from different genres

Ahelyett, hogy más-más műfajú műsorokat

or more of the different shows from similar users,

vagy különböző műsorokat hasonló típusú nézőiknek ajánlanák,

we'll just offer more of the same show.

ugyanabból a műsorból többet adnak le.

We'll make it easier for you to binge-watch.

Így jobban ráállnak a maratonokra.

And they didn't stop there.

De nem álltak meg.

They did all these things

Ezzel teljesen új alapokra helyezték

to redesign their entire viewer experience,

a cégük nyújtotta műsorélményt,

to really encourage binge-watching.

hogy tévémaratonokra buzdítsanak.

It's why people and friends disappear for whole weekends at a time,

Ezért vannak olyan ismerősök, akik hétvégékre tűnnek el,

catching up on shows like "Master of None."

hogy bejezzék pl. a "Majdnem elég jó"-t.

By integrating big data and thick data, they not only improved their business,

A big data és a sűrű adat együttesen nem csupán vállalatuk fejlődését hozta,

but they transformed how we consume media.

de médiaszokásainkat is átformálták.

And now their stocks are projected to double in the next few years.

Részvényáraik néhány éven belül megduplázódhatnak.

But this isn't just about watching more videos

De nem csak több videónézésről van szó

or selling more smartphones.

vagy több okostelefon-eladásról.

For some, integrating thick data insights into the algorithm

Páraknak a sűrű adat használata algoritmusoknál

could mean life or death,

élet-halál kérdését jelentheti.

especially for the marginalized.

Különösen a kirekesztetteknél.

All around the country, police departments are using big data

A rendőrség országszerte használ big datát

for predictive policing,

bűnügyi előrejelzés céljából

to set bond amounts and sentencing recommendations

az óvadékok meghatározásánál és az ítéletek kiszabásánál,

in ways that reinforce existing biases.

amely létező előítéleteket erősít meg.

NSA's Skynet machine learning algorithm

A NSA Skynet mélytanuló algoritmusa

has possibly aided in the deaths of thousands of civilians in Pakistan

több ezer pakisztáni halálához segíthetett hozzá azzal,

from misreading cellular device metadata.

hogy mobilhálózati metaadatokat olvasott félre.

As all of our lives become more automated,

Az életünk egyre nagyobb automatizálása,

from automobiles to health insurance or to employment,

az autók, életbiztosítás, munkavállalás terén

it is likely that all of us

mindannyiunknál maga után vonja

will be impacted by the quantification bias.

a kvantifikációs csapdát.

Now, the good news is that we've come a long way

De a jó hír az, hogy nagy utat jártunk be

from huffing ethylene gas to make predictions.

az etiléngáz adta előrejelzésektől.

We have better tools, so let's just use them better.

Jobb eszközeinket használjuk jobban!

Let's integrate the big data with the thick data.

Egyesítsük a big datát a sűrű adattal!

Let's bring our temple guides with the oracles,

Ne felejtsük el az orákulum segítőit,

and whether this work happens in companies or nonprofits

akár non-profit vállalatokkal, cégekkel, az állammal van dolgunk,

or government or even in the software,

vagy épp csak a szoftverrel,

all of it matters,

mindez számít,

because that means we're collectively committed

mert ezáltal vagyunk együttesen elkötelezettek

to making better data,

a jobb adatteremtés,

better algorithms, better outputs

a jobb algoritmusok, eredmények

and better decisions.

és jobb döntések iránt.

This is how we'll avoid missing that something.

Így kerülhetjük el, hogy azt a valamit ne ismerjük fel.

(Applause)

(Taps)